JP2022182255A - Testing device of electric vehicle, testing method of electric vehicle and program - Google Patents
Testing device of electric vehicle, testing method of electric vehicle and program Download PDFInfo
- Publication number
- JP2022182255A JP2022182255A JP2021089722A JP2021089722A JP2022182255A JP 2022182255 A JP2022182255 A JP 2022182255A JP 2021089722 A JP2021089722 A JP 2021089722A JP 2021089722 A JP2021089722 A JP 2021089722A JP 2022182255 A JP2022182255 A JP 2022182255A
- Authority
- JP
- Japan
- Prior art keywords
- power consumption
- electric vehicle
- vehicle
- measured
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Description
本開示は、電動車の試験装置、電動車の試験方法、及びプログラムに関する。 The present disclosure relates to an electric vehicle testing apparatus, an electric vehicle testing method, and a program.
特許文献1には、電動車の電費を測定するための試験装置が記載されている。特許文献1に記載の試験装置では、目標車速パターンに従って測定車両のモータ及び負荷モータを制御して、走行シーンの変化によるEngine Control Unitが電費に与える影響を測定している。 Patent Literature 1 describes a test device for measuring the electricity consumption of an electric vehicle. The test apparatus described in Patent Document 1 controls the motor and the load motor of the vehicle to be measured according to the target vehicle speed pattern, and measures the influence of the engine control unit on the electricity consumption due to changes in the driving scene.
電費の試験のためには目標車速パターンや車両の暖機状態などの走行環境を管理する必要があるが、製造ライン上においては、走行パターン、走行環境がばらつくため、製造ライン上の完成車両を試験するのは困難であった。なお、特許文献1に記載の技術でもこのような問題を解決できない。 In order to test the electricity consumption, it is necessary to manage the driving environment such as the target vehicle speed pattern and the warm-up state of the vehicle. It was difficult to test. Note that even the technology described in Patent Document 1 cannot solve such a problem.
本開示は、このような問題を解決するためになされたもので、その目的は、製造ライン上の完成した電動車を試験することが可能な電動車の試験装置、電動車の試験方法、及びプログラムを提供することにある。 The present disclosure has been made to solve such problems, and aims to provide an electric vehicle testing apparatus capable of testing a completed electric vehicle on a production line, an electric vehicle testing method, and to provide the program.
本開示の第1の態様に係る電動車の試験装置は、電力消費が正常であることが確認できている電動車についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力と、を教師データとする機械学習により生成された消費電力予測モデルを用いて、消費電力を予測する予測装置と、試験対象の電動車についての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測する計測装置と、提示装置と、を備え、前記予測装置は、前記計測装置から得られた前記実測走行データを入力値として、予測消費電力を出力値として得、前記提示装置は、前記予測消費電力と前記実測消費電力との差分が所定の値よりも大きい場合には、前記試験対象の電動車の消費電力が異常であることを提示する、ものである。上記試験装置は、このような構成により、製造ライン上の完成した電動車を試験することが可能になる。 An electric vehicle testing apparatus according to a first aspect of the present disclosure provides running data including at least one of a warm-up state and a running pattern for an electric vehicle whose power consumption has been confirmed to be normal; A prediction device that predicts power consumption using a power consumption prediction model generated by machine learning with power and power as teacher data, and at least one of a warm-up state and a running pattern for an electric vehicle to be tested. and a measuring device for measuring measured power consumption, and a presentation device, wherein the prediction device outputs predicted power consumption using the measured travel data obtained from the measuring device as an input value. When the difference between the predicted power consumption and the measured power consumption is greater than a predetermined value, the presentation device presents that the power consumption of the electric vehicle under test is abnormal. It is. With such a configuration, the test apparatus can test the completed electric vehicle on the production line.
本開示の第2の態様に係る電動車の試験方法は、試験対象の電動車についての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測し、電力消費が正常であることが確認できている電動車についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力と、を教師データとする機械学習により生成された消費電力予測モデルを用いて、前記実測走行データを入力値として予測消費電力を出力値として得て、前記予測消費電力と前記実測消費電力との差分が所定の値よりも大きい場合には、前記試験対象の電動車の消費電力が異常であることを提示する、ものである。上記試験方法は、このような構成により、製造ライン上の完成した電動車を試験することが可能になる。 A test method for an electric vehicle according to a second aspect of the present disclosure measures measured running data including at least one of a warm-up state and a running pattern and measured power consumption of an electric vehicle to be tested, Power consumption prediction generated by machine learning using power consumption and running data including at least one of a warm-up state and running pattern for an electric vehicle whose consumption has been confirmed to be normal, as training data. Using the model, the actually measured traveling data is used as an input value to obtain a predicted power consumption as an output value. It presents that the power consumption of the electric vehicle is abnormal. With such a configuration, the test method described above can test the completed electric vehicle on the production line.
本開示の第3の態様に係るプログラムは、コンピュータに、試験対象の電動車についての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測し、電力消費が正常であることが確認できている電動車についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力と、を教師データとする機械学習により生成された消費電力予測モデルを用いて、前記実測走行データを入力値として予測消費電力を出力値として得て、前記予測消費電力と前記実測消費電力との差分が所定の値よりも大きい場合には、前記試験対象の電動車の消費電力が異常であることを提示する、処理を実行させるためのプログラムである。上記プログラムは、このような構成により、製造ライン上の完成した電動車を試験することが可能になる。 A program according to a third aspect of the present disclosure causes a computer to measure measured running data including at least one of a warm-up state and a running pattern of an electric vehicle under test, and measured power consumption, and A power consumption prediction model generated by machine learning using driving data including at least one of a warm-up state and driving pattern and power consumption as training data for an electric vehicle that has been confirmed to be normal is used to obtain a predicted power consumption as an output value using the actually measured traveling data as an input value, and if the difference between the predicted power consumption and the actually measured power consumption is greater than a predetermined value, the electric motor under test It is a program for executing a process that presents that the power consumption of the car is abnormal. Such a configuration enables the program to test the completed electric vehicle on the production line.
本開示により、製造ライン上の完成した電動車を試験することが可能な電動車の試験装置、電動車の試験方法、及びプログラムを提供することができる。 According to the present disclosure, it is possible to provide an electric vehicle testing apparatus, an electric vehicle testing method, and a program capable of testing a completed electric vehicle on a production line.
以下、発明の実施の形態を通じて本発明を説明するが、特許請求の範囲に係る発明を以下の実施の形態に限定するものではない。また、実施の形態で説明する構成の全てが課題を解決するための手段として必須であるとは限らない。 Hereinafter, the present invention will be described through embodiments of the invention, but the invention according to the scope of claims is not limited to the following embodiments. Moreover, not all the configurations described in the embodiments are essential as means for solving the problem.
(実施の形態)
図1~図7を参照して、本実施の形態に係る電動車(電動車両)の試験装置(以下、本試験装置という)の一構成例について説明する。図1は、本試験装置の一構成例と試験車両の一例とを示す概略説明図である。図2は、図1の試験装置における予測モデルの生成過程の一例を説明するための模式図で、図3は、図2に続く、図1の試験装置における予測モデルの生成過程の一例を説明するための模式図である。また、図4は、図1の試験装置における予測モデルを用いた予測処理の一例を説明するための模式図である。図5は、図1の試験装置における試験処理の一例を説明するための模式図で、図6は、図1の試験装置における試験結果の提示例を示す模式図である。
(Embodiment)
A configuration example of an electric vehicle (electric vehicle) test apparatus (hereinafter referred to as the main test apparatus) according to the present embodiment will be described with reference to FIGS. 1 to 7. FIG. FIG. 1 is a schematic explanatory diagram showing one configuration example of this test apparatus and one example of a test vehicle. FIG. 2 is a schematic diagram for explaining an example of the prediction model generation process in the test apparatus of FIG. 1, and FIG. 3 explains an example of the prediction model generation process in the test apparatus of FIG. 1 following FIG. It is a schematic diagram for doing. FIG. 4 is a schematic diagram for explaining an example of prediction processing using a prediction model in the testing apparatus of FIG. FIG. 5 is a schematic diagram for explaining an example of test processing in the test apparatus of FIG. 1, and FIG. 6 is a schematic diagram showing an example of presentation of test results in the test apparatus of FIG.
本試験装置は、図1で例示するように、バッテリ11及びバッテリ11を動力源とするモータ12とを備えた電動車(電気自動車)である試験車両Cの消費電力が異常であるか正常であるかを判定することが可能な装置である。
As illustrated in FIG. 1, this test apparatus detects whether the power consumption of a test vehicle C, which is an electric vehicle (electric vehicle) equipped with a
本試験装置は、例えば、ECU情報送信器13、ECU情報受信器14、予測PC(Personal Computer)15、及び判定器16を備えることができる。ECUは、Electronic Control Unitの略で、車両に搭載される電子制御装置の一例である。なお、車両に搭載される電子制御装置はECM(Engine Control Module)と称されることもある。
This test apparatus can comprise, for example, an
ECU情報送信器13は、被検査車両(試験車両)Cに内蔵されたECUが取り扱う情報(ECU情報)の信号(車両信号)をECUから読み出して無線で送信する機器である。ここで送受されるECU情報は、インラインテスタで検査員Uが試験車両Cを走行させた状態でECUが得た、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、そのときの実測消費電力を含むことができる。
The
実測走行データは、例えば、モータ12の温度、トルク、モータ12の回転数を含むことができ、この回転数は走行速度の代わりとして選定されることができる。また、実測消費電力は、例えばECU内で得られるバッテリ11の出力電流や出力電圧等から算出することができる。但し、この出力電流や出力電圧等そのものを実測消費電力として取り扱うこともできる。その場合には、後述する予測の結果としての消費電力も同じ種類の値としておけば比較が容易である。
The measured travel data can include, for example, the temperature of the
ここで、インラインテスタは、試験対象の電動車を走行可能に設置するためにタイヤの回転に合わせて回転する回転ドラムなどを含み、その電動車が一定負荷の元で検査できる検査設備とすることができ、インラインテスタは製造ラインに組み込まれることができる。また、実測走行データ等の取得は、インラインテスタにてメータ検査等と同時に行うこともできる。 Here, the in-line tester includes a rotating drum that rotates according to the rotation of the tires in order to install the electric vehicle to be tested so that it can run, and is an inspection facility that can test the electric vehicle under a constant load. and the in-line tester can be integrated into the production line. In addition, it is also possible to acquire actual measurement travel data and the like simultaneously with meter inspection and the like by an in-line tester.
ECU情報受信器14は、ECU情報送信器13から送信されたECU情報を受信する。無論、ECU情報送信器13が能動的にECU情報を逐次送信するようにしてもよいし、ECU情報受信器14側からの要求によりECU情報送信器13がECU情報を逐次返信するようにしてもよい。
The
ECU情報送信器13は、試験車両Cに具備されたECUに有線で接続されること、あるいは試験車両Cに具備されたECUに元々具備されるものを利用することができる。なお、ECU情報送信器13とECU情報受信器14とは、無線で接続されることを前提として説明しているが、有線で接続され、有線通信によりECU情報の送受を行う構成を採用することもできる。
The
試験車両Cに内蔵されたECU、ECU情報送信器13、及びECU情報受信器14は、その試験車両Cについての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測する計測装置の一例となる。この実測走行データと実測消費電力とを、以下、実測車両データと称する。
The ECU built in the test vehicle C, the
予測PC15は、次のような予測装置の一例である。この予測装置は、消費電力予測モデルを用いて消費電力を予測する。予測PC15は、消費電力予測モデルを記憶しておき、そのモデルを用いた消費電力の予測を行うことになる。具体的には、予測PC15は、計測装置から得られた実測走行データを消費電力予測モデルへの入力値として、予測消費電力を消費電力予測モデルからの出力値として得る。予測PC15は、記憶された消費電力予測モデルを用いた予測処理を実行するプログラムが実行可能に格納されたコンピュータとすることができる。
Prediction PC 15 is an example of a prediction device as follows. This prediction device predicts power consumption using a power consumption prediction model. The
この消費電力予測モデルは、電力消費が正常であることが確認できている電動車(以下、マスタ車Mと称する)についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力(マスタ車Mの消費電力)と、を教師データとする機械学習により生成されたモデルである。この機械学習に用いるアルゴリズム等は問わない。ここで、マスタ車Mは、基本的に試験車両Cと同機種の電動車とするが、試験車両Cと一部の仕様が異なる電動車を含めることもできる。 This power consumption prediction model is based on running data including at least one of a warm-up state and running pattern, and consumption This is a model generated by machine learning using electric power (power consumption of the master car M) as teacher data. Algorithms and the like used for this machine learning do not matter. Here, the master vehicle M is basically an electric vehicle of the same type as the test vehicle C, but may include an electric vehicle with partially different specifications from the test vehicle C.
この消費電力予測モデルの生成に用いる学習データは、次のようにして収集することができる。即ち、図2に示すように、例えば監査工場において電力消費を測定してそれが正常であることが確認済みのマスタ車Mを用意し、そのマスタ車Mを様々な条件で走行させて、走行データと消費電力とを収集する。以下、学習のために収集される走行データ及び消費電力を、学習車両データと称する。また、学習車両データの取得は、マスタ車Mのメータ検査等と同時に行うこと、つまりメータ検査時の車両データを学習車両データとすることもできる。 The learning data used to generate this power consumption prediction model can be collected as follows. That is, as shown in FIG. 2, for example, a master car M whose power consumption has been measured and confirmed to be normal at an inspection factory is prepared, and the master car M is run under various conditions. Collect data and power consumption. Driving data and power consumption collected for learning are hereinafter referred to as learning vehicle data. Further, the learning vehicle data can be acquired at the same time as the meter inspection of the master vehicle M, that is, the vehicle data at the time of the meter inspection can be used as the learning vehicle data.
ここで、上記様々な条件は、例えば環境温度、電池温度、インバータ温度、アクセル開度、暖機、加減速を変えたような様々な走行パターンなどとすることができ、条件のうち少なくとも1つを変更して走行させることで、異なる走行条件での学習車両データを得て、消費電力予測モデルの生成に利用することができる。但し、同じ走行条件で得た複数回の学習車両データも消費電力予測モデルの生成に利用することができる。なお、図2では、3回の走行について図示しているが、正確なモデルが生成できるような条件、回数だけ、学習車両データの収集のための走行が行われる。 Here, the above-mentioned various conditions can be, for example, environmental temperature, battery temperature, inverter temperature, accelerator opening, warm-up, various driving patterns such as changing acceleration/deceleration, etc. At least one of the conditions is changed to obtain learning vehicle data under different driving conditions, which can be used to generate a power consumption prediction model. However, it is also possible to use the learned vehicle data obtained multiple times under the same driving conditions to generate the power consumption prediction model. Although FIG. 2 shows three runs, the vehicle is run for collecting learning vehicle data under conditions and times that allow an accurate model to be generated.
収集された学習車両データは、目的変数(実測消費電力の例である実電力消費量)とその他の情報である説明変数(モータ温度等の温度、速度(代替としてモータ回転数)、トルク等)とに分けることができる。例えば、学習車両データは、図3の左側のグラフ群で示すような説明変数(この例では便宜上、速度のみ図示)と、図3の右側のグラフ群で示すような目的変数(消費電力の値)と、に分けることができる。なお、説明変数は、上述した条件によりその数を変えることができる。 The collected learning vehicle data consists of objective variables (actual power consumption as an example of measured power consumption) and other explanatory variables (temperature such as motor temperature, speed (motor rotation speed as an alternative), torque, etc.). can be divided into For example, the learning vehicle data consists of an explanatory variable as shown in the graph group on the left side of FIG. 3 (in this example, only speed is shown for convenience) and an objective variable (power consumption value ) and can be divided into Note that the number of explanatory variables can be changed according to the conditions described above.
また、予測モデルを生成する場合の学習車両データの取得に使用するマスタ車Mについても、試験車両Cについて説明した同様の検査設備上で走行させて、上記の計測装置又は同様の計測装置で走行データや消費電力を取得することができる。即ち、ECU情報受信器14と同様の受信器が、ECU情報として、マスタ車Mについての、暖機状態及び走行パターンの少なくとも1つを含む走行データと消費電力とを、ECU情報送信器13と同様の送信器から受信して、収集することができる。
Also, the master vehicle M used to acquire the learning vehicle data when generating the prediction model is also run on the same inspection facility as described for the test vehicle C, and is run by the above measuring device or a similar measuring device. Data and power consumption can be acquired. That is, a receiver similar to the
消費電力予測モデルは、インラインテスタ等で実測された学習車両データに基づき、AI(Artificial Intelligence)学習用のPC等のコンピュータを利用して生成されることができる。このコンピュータは、未学習モデルを記憶し、上述のようにして説明変数と目的変数とに分けた教師データをその未学習モデルに入力して機械学習を実行する。 The power consumption prediction model can be generated using a computer such as a PC for AI (Artificial Intelligence) learning based on learning vehicle data actually measured by an in-line tester or the like. This computer stores an unlearned model, inputs teacher data divided into explanatory variables and objective variables as described above into the unlearned model, and executes machine learning.
なお、このコンピュータは、予測PCとは異なるコンピュータとすることができるが、予測PC15とすることもできる。即ち、予測PC15は、消費電力予測モデルの生成処理及びそのモデルを用いた予測処理を実行するプログラムが実行可能に格納されたコンピュータとすることもできる。
Note that this computer can be a computer different from the prediction PC, but it can also be the
判定器16は、試験(検査)の運用段階で使用されることができる。
ECU情報受信器14が、試験車両Cに対しインラインテスタで走行させた状態で実測車両データを取得し、判定器16に出力する。判定器16は、それを説明変数と目的変数とに分け、説明変数を予測PC15に出力して消費電力予測モデルでの予測処理を実行させて予測消費電力を得る。例えば、図4に示すように、試験車両Cの試験がモータ温度が35℃等の条件下でなされた場合には、図4の左側に示す実測された走行速度などの説明変数を消費電力予測モデルに入力することで、図4の右側に示すような予測消費電力を得ることができる。
The
The
次いで、判定器16は、試験車両Cについて実測された実測消費電力(目的変数)と消費電力予測モデルを用いた予測消費電力との比較による判定を実行する。無論、図5で模式的に示したように、予測PC15は、説明変数をECU情報受信器14から得て予測結果を判定器16に出力するようにしてもよい。
Next, the
そして、判定器16は、予測消費電力と実測消費電力との差分が所定の値よりも大きい場合には、その試験車両Cの消費電力が異常であることを提示する。ここで、消費電力が異常であった場合、電費、航続距離、バッテリ11の電池パック等の異常が原因であることが推測される。上記の所定の値、つまり判定の閾値は、事前に予測のバラつきを評価しておき、その評価に合わせるように設定しておくことができる。
Then, if the difference between the predicted power consumption and the actually measured power consumption is greater than a predetermined value, the
判定器16は、上述したような処理を行うとともに結果の提示を行う提示装置の一例である。この提示装置は、例えば図6に示す表示画像のように、判定結果を表示させる(図6の例では正常であり「OK」と表示)表示装置を備えることができる。図6の例では、判定結果が異常であった場合には例えば「NG」と表示させることができる。図6では、判定結果そのものだけでなく、実測値(実測消費電力)、予測値(予測消費電力)、及びECU情報が示すモータ回転数(実測する車速の代わり)を、時系列グラフ化し、実測値と予測値の平均値とその一致率も提示する例を挙げている。このような詳細な情報も挙げることで、検査員はより判定結果を詳細に検討することなどができる。
The
また、上記の提示装置は、このような表示装置、判定結果を音声出力する音声出力装置、判定結果を指定された宛先に通知する送信装置の少なくとも1つを備えた装置とすることができる。この表示装置は、単に正常と異常とを色などで区別して表示する1又は複数のランプとすることもできる。 Further, the above presentation device can be a device including at least one of such a display device, an audio output device for outputting the determination result as voice, and a transmission device for notifying the determination result to a designated destination. This display device may simply be one or a plurality of lamps that distinguish between normal and abnormal states by color or the like.
また、判定器16は、例えば判定にかかるプログラムを実行可能な制御コンピュータとすること又はそのような制御コンピュータを搭載することができる。例えば、判定器16は、その全体を制御する制御部を備えることができ、その制御部は、例えば、CPU(Central Processing Unit)、作業用メモリ、及び少なくとも判定及び提示にかかるプログラムを記憶した不揮発性の記憶装置などでなる制御コンピュータによって実現することができる。また、この制御部は、例えば集積回路(Integrated Circuit)を含んで実現することもできる。また、この制御部は予測PC15及びECU情報受信器14を含む本試験装置の全体を制御する制御部として機能させることもできる。また、判定器16と予測PC15とは一体で構成されることもできる。ECU情報受信器14は判定器16等と一体で構成することもできる。
Also, the
次に、図7を参照しながら、本試験装置における試験方法について説明する。図1の本試験装置における試験方法では、次に例示するような予測モデル生成処理(学習段階)及び検査処理(運用段階)が実行される。図7は、図1の試験装置における試験処理の一例を説明するためのフロー図である。 Next, referring to FIG. 7, a test method in this test apparatus will be described. In the test method in the present test apparatus of FIG. 1, prediction model generation processing (learning stage) and inspection processing (operation stage) as exemplified below are executed. FIG. 7 is a flowchart for explaining an example of test processing in the test apparatus of FIG. 1;
図7に示すように、まず、予測モデル生成処理では、監査などの整えられた環境で合格と判定されたマスタ車Mを用意する(ステップS1)。次いで、インラインテスタでマスタ車Mを様々な条件で走行させて、その際の各種情報が含まれる車両データ(学習車両データ)を取得し(ステップS2)、その学習車両データを説明変数と目的変数(実電力消費量)に分別する(ステップS3)。そして、分別した学習車両データを同様にして蓄積していき、それらを教師データ(正解データ)としてAI学習用のPCで機械学習を実行し、消費電力予測モデルを生成する(ステップS4)。 As shown in FIG. 7, first, in the prediction model generation process, a master vehicle M that has been determined to be acceptable in an environment such as an audit is prepared (step S1). Next, the in-line tester drives the master vehicle M under various conditions to acquire vehicle data (learning vehicle data) containing various information at that time (step S2). (actual power consumption) (step S3). Then, the classified learning vehicle data are accumulated in the same manner, and machine learning is performed on the PC for AI learning using them as teacher data (correct data) to generate a power consumption prediction model (step S4).
ここで、この予測モデルの正しさ(予測精度)は、ステップS2で取得される学習車両データの評価を様々な車両、様々な条件で走行させて検証を行うとよい。このとき汎用的な予測モデルを構築するために、試験車両Cと仕様が異なる車両をマスタ車Mに含めることもできる。 Here, the correctness (prediction accuracy) of this prediction model may be verified by evaluating the learning vehicle data acquired in step S2 by running various vehicles under various conditions. At this time, in order to construct a general-purpose prediction model, the master vehicle M may include a vehicle having specifications different from those of the test vehicle C.
このようにして消費電力予測モデルが生成された状態で、運用段階に入る。まず、試験車両Cをインラインテスタで走行させて車両データ(実測車両データ)を取得し(ステップS5)、取得した実測車両データを説明変数と目的変数(実電力消費量)に分別する(ステップS6)。この走行は、その場の成り行きの環境で実施することができる。 With the power consumption prediction model generated in this way, the operation stage is entered. First, the test vehicle C is driven by an in-line tester to acquire vehicle data (actual vehicle data) (step S5), and the acquired actual vehicle data is classified into an explanatory variable and an objective variable (actual power consumption) (step S6). ). This run can be performed in an on-the-spot environment.
次いで、ステップS6で得た実測車両データの説明変数を消費電力予測モデルに入力することで予測値である予測消費電力を算出し、その予測値とステップS6で得た実測車両データの目的変数とを比較する(ステップS7)。ステップS7ではさらに、両者の比較により得られた差が所定の値より大きいか否かを判定することで、試験車両Cの消費電力が異常(NG)であるか正常(OK)であるかを判定する。そして、その判定結果が検査員U又は他の検査員などに提示され(ステップS8)、処理が終了する。 Next, by inputting the explanatory variable of the measured vehicle data obtained in step S6 into the power consumption prediction model, the predicted power consumption, which is a predicted value, is calculated, and the predicted value and the objective variable of the measured vehicle data obtained in step S6 are compared (step S7). In step S7, it is further determined whether the difference obtained by comparing the two is larger than a predetermined value, thereby determining whether the power consumption of the test vehicle C is abnormal (NG) or normal (OK). judge. Then, the judgment result is presented to the inspector U or another inspector (step S8), and the process ends.
以上のような構成により、本試験装置では、試験車両Cがどのような状態で試験されたとしても、学習した消費電力予測モデルに試験車両Cの走行時の車両データ(速度、温度等)を説明変数として与えることで、この予測モデルの目的変数である電力消費量が出力され、結果として、正常時の消費電力が予測(推定)できる。そして、本試験装置では、このような予測(推定)の結果との比較により、試験車両Cの消費電力の実測値が異常であるか正常(適正)であるのかを判定し、その判定結果を提示することができる。 With the configuration described above, in this test device, regardless of the state in which the test vehicle C is tested, vehicle data (speed, temperature, etc.) during running of the test vehicle C is stored in the learned power consumption prediction model. By giving it as an explanatory variable, the power consumption, which is the objective variable of this prediction model, is output, and as a result, the power consumption in the normal state can be predicted (estimated). Then, in this test device, by comparing with the result of such prediction (estimation), it is judged whether the measured power consumption value of the test vehicle C is abnormal or normal (appropriate), and the judgment result is can be presented.
また、電費測定や航続距離の測定は監査等の整えられた環境で行われていたが、上述の消費電力予測モデルは様々な環境での走行データで学習しているため、整えられていないインラインのテスタでも消費電力の予測が精度良く可能となり、インラインでの電費の全数検査が可能となる。つまり、本試験装置では、製造ライン上でも上記正常時の消費電力を推定でき、試験車両Cの消費電力の異常/正常を判定することができる。
In addition, the electricity consumption measurement and cruising distance measurement were performed in a well-organized environment such as an audit, but the above-mentioned power consumption prediction model learns from driving data in various environments, so it is not well-organized in-line This makes it possible to accurately predict power consumption even with a tester, and enables in-
実際、電費の試験のためには目標車速パターンや車両の暖機状態などの走行環境を管理する必要があり、製造ライン上においては、走行パターン、走行環境がばらつくことが想定されるが、本実施の形態ではこのようなばらつきを事前に予測により考慮していることになるため、製造ライン上の完成車両を試験することができ、全ての車両について試験を実施することもできる。 In fact, it is necessary to manage the driving environment, such as the target vehicle speed pattern and vehicle warm-up state, for the electricity consumption test. In the embodiment, such variations are taken into consideration by prediction in advance, so that the complete vehicle on the production line can be tested, and all vehicles can be tested.
また、本実施の形態では、上述のような消費電力予測モデルを用いた予測処理と、消費電力の予測結果と実測結果との比較処理とにより、検査を行うことができるため、短時間で1台の試験車両Cの検査が終了することから、短時間で、出荷させる全台数の電動車を試験車両Cとして電費・航続距離や電池パック等の全数検査が可能となる。 Further, in the present embodiment, the inspection can be performed by the prediction processing using the power consumption prediction model as described above and the comparison processing between the prediction result and the actual measurement result of the power consumption. Since the inspection of the test vehicles C is completed, it is possible to inspect all the electric power consumption, cruising range, battery packs, etc. of all the electric vehicles to be shipped as the test vehicles C in a short time.
このような効果を更に説明するために比較例を挙げる。
比較例として、走行した際に消費する電力量の実績から将来を予測することも考えられる。しかし、この比較例では、そもそも消費電力の実績が無い状態から消費電力を予測することができないため、例えば車両の検査ラインにおいて、該当車両の電力消費量が正しいのか、正しくないのかの判定ができるものではない。特に、電費計測や航続距離の計測は抜取り検査となっており、多くの車両が電費検査無しで出荷されることもあるため、バッテリ(電池パック)やその他の構成要素において、消費電力が想定より多いような不具合があった場合にも検出できない。
In order to further explain such effects, a comparative example will be given.
As a comparative example, it is possible to predict the future based on the actual amount of electric power consumed when traveling. However, in this comparative example, it is not possible to predict power consumption from a state in which there is no record of power consumption in the first place. not a thing In particular, electricity consumption measurement and cruising range measurement are random inspections, and many vehicles may be shipped without electricity consumption inspections, so the battery (battery pack) and other components may consume more power than expected. Even if there are many defects, they cannot be detected.
これに対し、本実施の形態では容易に且つ短時間で製造ライン上での試験が可能であるため、全車に対して容易に試験を実施することができ、上述のような不具合をもった車両が流通してしまう恐れを低減させることができる。 On the other hand, in the present embodiment, the test can be easily performed on the production line in a short period of time. can be reduced.
(その他)
上述した本試験装置における処理の一部は、判定器16や予測PC15についてプログラムを実行可能な制御コンピュータを例示したように、コンピュータプログラムとして実現可能である。このプログラムは、コンピュータに、次のような処理Aを実行させるためのプログラムである。上記処理Aは、試験対象の電動車についての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測する処理を含む。上記処理Aは、電力消費が正常であることが確認できている電動車についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力と、を教師データとする機械学習により生成された消費電力予測モデルを用いて、実測走行データを入力値として予測消費電力を出力値として得る処理を含む。上記処理Aは、予測消費電力と実測消費電力との差分が所定の値よりも大きい場合には、上記試験対象の電動車の消費電力が異常であることを提示する。上記プログラムは、このような構成により、製造ライン上の完成した電動車を試験することが可能になる。
(others)
A part of the processing in this test apparatus described above can be realized as a computer program, as illustrated by the control computer capable of executing the program for the
このプログラムは、コンピュータに読み込まれた場合に、実施形態で説明された1又はそれ以上の機能をコンピュータに行わせるための命令群(又はソフトウェアコード)を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory(RAM)、read-only memory(ROM)、フラッシュメモリ、solid-state drive(SSD)又はその他のメモリ技術、CD-ROM、digital versatile disc(DVD)、Blu-ray(登録商標)ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、又はその他の形式の伝搬信号を含む。 This program includes instructions (or software code) that, when read into a computer, cause the computer to perform one or more of the functions described in the embodiments. The program may be stored in a non-transitory computer-readable medium or tangible storage medium. By way of example, and not limitation, computer readable media or tangible storage media may include random-access memory (RAM), read-only memory (ROM), flash memory, solid-state drives (SSD) or other memory technology, CDs -ROM, digital versatile disc (DVD), Blu-ray disc or other optical disc storage, magnetic cassette, magnetic tape, magnetic disc storage or other magnetic storage device. The program may be transmitted on a transitory computer-readable medium or communication medium. By way of example, and not limitation, transitory computer readable media or communication media include electrical, optical, acoustic, or other forms of propagated signals.
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。 It should be noted that the present invention is not limited to the above embodiments, and can be modified as appropriate without departing from the scope of the invention.
例えば、本試験装置の構成は例示したものに限らず、その機能が果たせればよい。本試験装置は、図示した例に限らず、一部の複数の機器が物理的に単一の装置として構成することや、また、図示した例以外で機能を複数の装置に分散させて構成することもできる。 For example, the configuration of this testing apparatus is not limited to the one shown in the example, and it is sufficient if the function can be achieved. This test equipment is not limited to the example shown in the figure, but some devices may be physically configured as a single device, or may be configured by distributing functions to multiple devices other than the example shown in the figure. can also
また、検査員Uは人ではなくロボットであってもよいし、また、検査員Uを必要としないような自動運転車両が試験車両Cとなっても同様に検査可能である。 Also, the inspector U may be a robot instead of a person, and even if the test vehicle C is an automatically driven vehicle that does not require the inspector U, it can be inspected in the same way.
また、上述した検査に使用する実測走行データ及び上述した予測モデルの生成に使用する走行データの少なくとも一方は、車速について、対象となる電動車のタイヤに位置するように配置された回転ドラム(回転ローラ)とその回転数(回転速度)を検知する回転数計又はエンコーダ等の回転検出手段とを備えた検査器で取得することもできる。 In addition, at least one of the measured travel data used for the inspection described above and the travel data used for generating the prediction model described above is used for the vehicle speed with respect to the rotating drum (rotating drum) arranged so as to be positioned on the tire of the target electric vehicle. roller) and rotation detection means such as a tachometer or an encoder for detecting the number of rotations (rotational speed) of the roller.
また、本試験装置の試験対象である電動車は、モータのみで移動するような車両に限らず、エンジンを備えたハイブリッド車両とすることもできる。 Further, the electric vehicle to be tested by this test device is not limited to a vehicle that moves only with a motor, but can be a hybrid vehicle that has an engine.
C 試験車両
U 検査員
11 バッテリ
12 モータ
13 ECU情報送信器
14 ECU情報受信器
15 予測PC
16 判定器
C test
16 decision device
Claims (3)
試験対象の電動車についての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測する計測装置と、
提示装置と、
を備え、
前記予測装置は、前記計測装置から得られた前記実測走行データを入力値として、予測消費電力を出力値として得、
前記提示装置は、前記予測消費電力と前記実測消費電力との差分が所定の値よりも大きい場合には、前記試験対象の電動車の消費電力が異常であることを提示する、
電動車の試験装置。 Power consumption generated by machine learning using driving data including at least one of warm-up state and driving pattern and power consumption as training data for an electric vehicle whose power consumption has been confirmed to be normal. a prediction device that predicts power consumption using a prediction model;
a measuring device for measuring measured running data including at least one of warm-up state and running pattern and measured power consumption of an electric vehicle under test;
a presentation device;
with
The prediction device obtains predicted power consumption as an output value from the actually measured travel data obtained from the measurement device as an input value,
When the difference between the predicted power consumption and the measured power consumption is greater than a predetermined value, the presentation device presents that the power consumption of the electric vehicle under test is abnormal.
Electric vehicle test equipment.
電力消費が正常であることが確認できている電動車についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力と、を教師データとする機械学習により生成された消費電力予測モデルを用いて、前記実測走行データを入力値として予測消費電力を出力値として得て、
前記予測消費電力と前記実測消費電力との差分が所定の値よりも大きい場合には、前記試験対象の電動車の消費電力が異常であることを提示する、
電動車の試験方法。 Measure measured driving data including at least one of warm-up state and driving pattern and measured power consumption of the electric vehicle to be tested;
Power consumption generated by machine learning using driving data including at least one of warm-up state and driving pattern and power consumption as training data for an electric vehicle whose power consumption has been confirmed to be normal. Using the prediction model, obtaining the predicted power consumption as an output value with the actually measured driving data as an input value,
If the difference between the predicted power consumption and the measured power consumption is greater than a predetermined value, presenting that the power consumption of the electric vehicle under test is abnormal;
Electric vehicle test method.
試験対象の電動車についての、暖機状態及び走行パターンの少なくとも1つを含む実測走行データと、実測消費電力とを計測し、
電力消費が正常であることが確認できている電動車についての、暖機状態及び走行パターンの少なくとも1つを含む走行データと、消費電力と、を教師データとする機械学習により生成された消費電力予測モデルを用いて、前記実測走行データを入力値として予測消費電力を出力値として得て、
前記予測消費電力と前記実測消費電力との差分が所定の値よりも大きい場合には、前記試験対象の電動車の消費電力が異常であることを提示する、
処理を実行させるためのプログラム。 to the computer,
Measure measured driving data including at least one of warm-up state and driving pattern and measured power consumption of the electric vehicle to be tested;
Power consumption generated by machine learning using driving data including at least one of warm-up state and driving pattern and power consumption as training data for an electric vehicle whose power consumption has been confirmed to be normal. Using the prediction model, obtaining the predicted power consumption as an output value with the actually measured driving data as an input value,
If the difference between the predicted power consumption and the measured power consumption is greater than a predetermined value, presenting that the power consumption of the electric vehicle under test is abnormal;
A program for executing a process.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021089722A JP2022182255A (en) | 2021-05-28 | 2021-05-28 | Testing device of electric vehicle, testing method of electric vehicle and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021089722A JP2022182255A (en) | 2021-05-28 | 2021-05-28 | Testing device of electric vehicle, testing method of electric vehicle and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022182255A true JP2022182255A (en) | 2022-12-08 |
Family
ID=84328128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021089722A Pending JP2022182255A (en) | 2021-05-28 | 2021-05-28 | Testing device of electric vehicle, testing method of electric vehicle and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022182255A (en) |
-
2021
- 2021-05-28 JP JP2021089722A patent/JP2022182255A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6549892B2 (en) | Vehicle test system, test management device, test management program, and vehicle test method | |
JP5538475B2 (en) | External diagnostic device, vehicle diagnostic system, and vehicle diagnostic method | |
US9945759B2 (en) | Vehicle test system, test condition data generation apparatus, and vehicle test method | |
JP6557110B2 (en) | Condition diagnosis apparatus and program | |
JP2018119924A (en) | Diagnostic device | |
JP6796545B2 (en) | Railroad vehicle equipment diagnostic equipment and railroad vehicle equipment diagnostic method | |
JP2007058344A (en) | Vehicle diagnosis system, vehicle information transmission apparatus and vehicle information transmission method | |
KR20170076131A (en) | Monitoring System And Method Of Driving Data For Vehicle Breakdown Diagnostics And Analysis | |
JP2019206247A (en) | Failure prediction device and failure prediction method | |
Ahsan et al. | Prognostics of automotive electronics with data driven approach: A review | |
CN108973544B (en) | Device for detecting tire pressure by using current | |
CN114379570A (en) | Automatic detection of vehicle data manipulation and mechanical failure | |
JP2022182255A (en) | Testing device of electric vehicle, testing method of electric vehicle and program | |
KR20150071223A (en) | Chassis dynamo automatic control system | |
CN111751729B (en) | Method for determining the state of a rechargeable battery of a vehicle | |
CN103508303B (en) | Abnormality diagnostic method, apparatus for diagnosis of abnormality and there is the apparatus of passenger conveyor of apparatus for diagnosis of abnormality | |
RU2451299C1 (en) | Device for on-line diagnostic of electric propulsion system of ship | |
JP2013088413A (en) | Vehicle diagnostic method and external diagnostic device | |
US11354945B2 (en) | Diagnostic method, diagnostic system and motor vehicle | |
JP5112730B2 (en) | Tire durability performance prediction method, tire durability performance prediction device, and tire durability performance prediction program | |
CN113516023A (en) | Equipment vibration abnormality diagnosis method and system | |
JP6796562B2 (en) | Representative data selection device, device diagnostic device, program and representative data selection method | |
KR20130050618A (en) | Apparatus for diagnosing electric motor for vehicle and method thereof | |
JP5413399B2 (en) | Fault diagnosis device for on-board equipment | |
RU2719507C1 (en) | Method for assessing the technical state of a consumer controller based on neural network diagnosis |